Déployer l’IA dans les processus métier : plus de données, un modèle plus puissant ou une meilleure sélection de l’information ?

HUITIÈME GÉNÉRATION DU MOTEUR SENSIA · POUR LES RESPONSABLES IA, DATA ET TRANSFORMATION

Pour améliorer une application d’IA qui analyse des textes, trois leviers reviennent souvent : fournir davantage de données, utiliser un modèle plus puissant ou améliorer la compréhension et la préparation de l’information. Le bon investissement dépend de ce que chaque levier apporte réellement au résultat.

Depuis ses débuts, Sensia développe des modèles spécialisés pour comprendre la voix des consommateurs et préparer, pour chaque question, l’information sur laquelle l’IA va travailler. Avec la huitième génération de notre moteur, nous avons mis cette architecture à l’épreuve : que gagne-t-on en augmentant fortement la profondeur de lecture ? Qu’apporte une configuration de raisonnement plus puissante ?

Les tests portent sur des analyses de marché en production. Ils éclairent une question plus large pour les programmes d’IA d’entreprise : où investir pour transformer des volumes massifs de données textuelles en connaissances utiles ?

Ce que montrent les essais

• Augmenter fortement le volume transmis à l’IA, jusqu’à sa capacité maximale, ou utiliser un modèle de raisonnement haut de gamme n’a pas fait apparaître de gain sur les enseignements stratégiques principaux et leur hiérarchisation dans les comparaisons étudiées.

• Les ressources mobilisées augmentent pourtant fortement : un coût d’usage LLM multiplié par 13,4 à la fenêtre maximale, et plus de 40 fois supérieur dans certaines comparaisons avec un modèle haut de gamme. Préparation comprise, les temps de traitement observés peuvent passer de quelques minutes à plus d’une heure selon les configurations et la chaîne de préparation, ce qui contraint fortement l’exploration conversationnelle à la demande.

• Ces résultats mettent en évidence la valeur de la préparation Sensia : sélectionner l’information permettant déjà d’identifier et de hiérarchiser les enseignements utiles, puis donner aux équipes les moyens de les approfondir et de les réutiliser.

Trois leviers, des investissements différents

Augmenter le volume permet d’examiner davantage de données sources. Choisir un modèle plus puissant peut améliorer le raisonnement ou la synthèse. Mieux comprendre et préparer les données permet de construire un contexte pertinent pour la question posée.

Ces leviers mobilisent des ressources différentes : coût d’usage, temps de traitement, compétences spécialisées et effort de développement. Il faut donc déterminer lequel améliore le résultat recherché avant d’augmenter les moyens engagés.

Notre benchmark examine deux de ces leviers : la profondeur de lecture et le recours à une configuration de raisonnement plus puissante. La compréhension et la préparation des données par Sensia constituent la base commune aux configurations comparées.

Cette organisation permet d’observer ce qu’apportent des moyens supplémentaires sur une information déjà comprise, qualifiée et préparée pour l’analyse.

Comment le moteur Sensia organise le travail de l’IA

Sensia transforme de grands volumes de textes hétérogènes en enseignements que les équipes peuvent examiner et utiliser. Les applications présentées ici concernent la voix des consommateurs : avis produits, expériences, besoins, freins et facteurs de choix.

Le problème technique dépasse ce domaine : comprendre des textes fragmentés, identifier ce qui répond à une question, effectuer des mesures sur les données qualifiées et préparer un contexte exploitable à grande échelle.

Cette huitième génération fait évoluer l’ensemble du moteur. Elle associe une vingtaine de modèles spécialisés propriétaires à de nouvelles capacités de mesure, de sélection et de préparation de l’information, ainsi qu’à l’exploitation de fenêtres de contexte élargies.

L’architecture répartit le travail entre cinq fonctions complémentaires. Le modèle généraliste intervient sur un contexte déjà préparé par Sensia.

Architecture générale de la huitième génération du moteur Sensia. L’évaluation constitue une exigence appliquée au résultat. Les méthodes de qualification des données, de sélection et de préparation du contexte sont propriétaires.

La compréhension spécialisée est au cœur de nos investissements. Dans les trois portefeuilles de référence, entre 29 % et 47 % des avis recueillis contenaient un signal exploitable pour les analyses étudiées. Les autres pouvaient répondre à d’autres questions ; ils ne contribuaient pas à celles examinées ici.

Cette distinction est essentielle : disposer d’un grand volume de textes ne suffit pas à constituer un contexte pertinent. Le moteur doit comprendre ce que chaque avis apporte à la question avant de préparer l’analyse.

Les modèles généralistes apportent leurs capacités de raisonnement, de synthèse et de rédaction. Un portefeuille complet peut toutefois dépasser de plusieurs fois leur plus grande fenêtre de contexte.

Les travaux de Chroma montrent également une utilisation inégale des contextes longs et une fiabilité décroissante lorsque le volume d’entrée augmente, sur les modèles et les tâches étudiés. Anthropic recommande de rechercher un ensemble resserré de tokens riches en information pertinente pour la tâche. OpenAI souligne, de son côté, l’intérêt de modèles rapides et économiques pour des tâches bien définies. Ces observations renforcent l’intérêt de préparer le contexte selon le travail attendu du modèle.

Deux expériences sur des analyses de production

Nous avons choisi cinq analyses de production issues de trois de nos portefeuilles les plus vastes et les plus hétérogènes, dans les soins de la peau et l’alimentation pour animaux de compagnie. Leur taille, leur fragmentation et leur diversité permettent de mettre le moteur à l’épreuve dans des situations exigeantes.

Nous avons réalisé 122 générations, réparties entre deux expériences :

1. Faire varier la profondeur de lecture. Vingt sections ont été régénérées avec le même modèle, à six volumes de données différents.

    

2. Comparer deux configurations de raisonnement. Sur deux sections, nous avons comparé la configuration de production à une configuration combinant un modèle de raisonnement haut de gamme, un effort de raisonnement élevé et un contexte plus large.

La compréhension et la préparation des données par Sensia constituent la base commune à ces tests.

Périmètre du benchmark. La première expérience compare les résultats obtenus à différentes profondeurs avec le même modèle. La seconde compare deux configurations qui diffèrent sur plusieurs paramètres ; elle n’isole donc pas l’effet du seul modèle. Chaque condition a été générée une fois. Il s’agit d’un benchmark de production, et non d’une étude statistique de répétabilité. La contribution de la préparation Sensia n’a pas été évaluée séparément.

Nous avons examiné quatre dimensions complémentaires :

• Enseignements principaux — Les conclusions susceptibles d’orienter les choix d’une équipe, comparées par une lecture côte à côte des analyses.
• Portée de la sélection — La part du volume total d’avis pertinents associée aux produits représentés dans l’échantillon. Cet indicateur mesure le poids des produits représentés, et non la proportion d’enseignements retrouvés.
• Détail des éléments à l’appui — Les références produits, les précisions concurrentielles et les citations qui étayent les enseignements.
• Ressources mobilisées — Les tokens transmis au modèle, le coût d’usage LLM calculé aux tarifs publics et les temps mesurés.

Expérience 1 : qu’apporte une lecture beaucoup plus étendue ?

Avec le même modèle généraliste, nous avons régénéré vingt sections selon six profondeurs : les échantillons utilisés jusqu’alors, soit environ 160 à 280 avis par section ; environ 500, 1 000 et 1 500 avis ; une fenêtre standard recevant environ 250 000 tokens, soit 1 800 à 2 400 avis ; puis une fenêtre maximale recevant environ 900 000 tokens, jusqu’à environ 9 000 avis par section.

Les appellations des fenêtres correspondent à leur capacité configurée ; les volumes ci-dessus indiquent ce qui a effectivement été transmis. Même la fenêtre maximale reste insuffisante pour lire un portefeuille complet.

Enseignements principaux. Les sélections ciblées de Sensia permettaient déjà de dégager les principaux enseignements stratégiques et leur ordre de priorité. Dans les analyses comparées, augmenter la lecture jusqu’à la capacité maximale du modèle n’a pas fait apparaître d’amélioration de ces enseignements ni de leur hiérarchisation.

Les grands domaines d’opportunité, le premier facteur de choix et les arbitrages essentiels sont restés cohérents dans les analyses où ils ont été évalués. C’est sur cette lecture stratégique que porte la conclusion du test..

Portée de la sélection. Pour quatre questions, nous avons reconstitué l’ensemble des avis pertinents disponibles. Nous avons ensuite mesuré la part de ce volume associée aux produits représentés à chaque profondeur de lecture. L’objectif : vérifier si les échantillons laissaient de côté des produits concentrant une part importante des avis pertinents.

Avec environ 1 000 avis, les produits représentés concentraient entre 94,4 % et 98,8 % du volume d’avis pertinents pour les quatre questions. À environ 1 500 avis, cette part atteignait entre 98,1 % et 99,5 %.

Le gain varie selon la question : ces résultats orientent le choix de la profondeur, sans définir une taille d’échantillon universelle. Un produit ou un sujet particulier peut également justifier un examen ciblé.

Éléments à l’appui. Une lecture plus étendue peut fournir davantage de références produits, d’exemples ou de citations. Cet enrichissement doit être distingué d’un gain sur les enseignements stratégiques et leur ordre de priorité.

Sensia permet d’explorer ces éléments à la demande, selon la marque, le segment ou la question qui intéresse l’utilisateur. Les observations détaillées figurent dans le rapport de benchmark.

Ressources mobilisées. Sur les mêmes vingt sections, le coût d’usage LLM a doublé à la fenêtre standard par rapport à la configuration d’environ 1 000 avis. À la fenêtre maximale, il a été multiplié par environ treize, notamment en raison du tarif appliqué par le fournisseur aux contextes longs.

Notre configuration de production utilise environ 1 000 avis par section. Ce choix tient compte des enseignements obtenus, du niveau de détail recherché, du coût d’usage et de l’exigence de fluidité conversationnelle.

La profondeur reste ajustable : certaines questions justifient un contexte plus étendu. La capacité supplémentaire est mobilisée selon son apport à l’analyse.

Expérience 2 : qu’apporte une configuration de raisonnement plus puissante ?

Nous avons comparé la configuration de production à un modèle de raisonnement haut de gamme sur deux sections : les opportunités de marché et les facteurs de choix. Les deux configurations ont utilisé des données préparées par Sensia.

La configuration de référence disposait d’un effort de raisonnement élevé et recevait environ 230 000 tokens d’entrée par section, soit environ deux fois le volume de la configuration de production. La comparaison porte sur ces deux configurations complètes ; elle n’isole pas l’effet du seul modèle.

Le recours au modèle de raisonnement haut de gamme n’a pas apporté de gain observé sur les principaux enseignements stratégiques et leur hiérarchisation dans les sections comparées. Son coût d’usage LLM était pourtant environ 35 à 41 fois supérieur, selon la section.

Les nuances de formulation ou les exemples supplémentaires ne constituent pas, à eux seuls, une amélioration des priorités utiles à la décision.

Sur l’ensemble des deux sections, la configuration de production utilisait 51,8 % des tokens d’entrée de la référence. Selon la section, son temps de génération représentait 31 % à 45 % de celui de la référence. Ces mesures décrivent respectivement le volume transmis et le temps de génération ; elles sont distinctes du coût d’usage.

Le moteur sépare le calcul des indicateurs de la synthèse narrative. Les comptages et les pondérations proviennent des avis qualifiés par les modèles spécialisés. Le modèle généraliste s’appuie sur le contexte préparé pour construire l’analyse.

Dans la comparaison des facteurs de choix, le même facteur occupait la première place dans les sept versions, tandis que les pourcentages rédigés variaient. Ces estimations narratives ne se confondent pas avec les indicateurs calculés : un chiffre destiné à un tableau de bord ou à un usage quantitatif doit provenir du calcul sur les données qualifiées.

Faire évoluer le modèle sans reconstruire la compréhension du domaine

Une comparaison tarifaire complémentaire éclaire un autre choix : quand adopter une nouvelle génération de modèle généraliste ?

Un modèle plus récent n’est pas nécessairement moins cher au token. GPT-5.5 a ainsi doublé les tarifs catalogue de GPT-5.4, de 2,50 à 5 dollars par million de tokens d’entrée et de 15 à 30 dollars par million de tokens de sortie.

Le coût d’une tâche dépend aussi du volume de tokens mobilisé et du comportement du modèle. Sur ses propres évaluations, Artificial Analysis indique ainsi un coût moyen par tâche environ 64 % inférieur pour GPT-6.1 Sol par rapport à GPT-5.6 Sol, avec un indice d’intelligence plus élevé (OpenAI, The Decoder).

Source : Artificial Analysis, consulté le 24 octobre 2026 (GPT-5.6 Sol, classement). Le coût par tâche est une moyenne pondérée de ses propres évaluations, incluant les tokens, le raisonnement et la mise en cache ; il ne s'agit ni d'un coût par tâche réussie, ni d'un coût Sensia.

Ces résultats proviennent des évaluations d’Artificial Analysis et ne décrivent pas les tâches de Sensia. Ils illustrent l’intérêt de juger un modèle sur le résultat et les ressources nécessaires à la tâche, au-delà du seul tarif par token.

Pour une application, le choix consiste à vérifier si un nouveau modèle améliore la qualité, le coût d’usage ou le temps de réponse sur ses propres tâches.

Dans le moteur Sensia, GPT-5.4 était le modèle utilisé en production avant Luna. La compréhension des données, leur mesure et la préparation du contexte étant assurées par nos propres composants, ce changement n’a pas nécessité leur refonte.

Aux tarifs standard, hors cache, les tokens d’entrée et de sortie de Luna sont 12,5 fois moins chers que ceux de GPT-5.4. Appliquer les tarifs de GPT-5.4 à la charge de travail initiale donne un coût d’usage LLM estimé à 2,08 dollars sur vingt sections, contre 0,166 dollar avec Luna.

Avec Luna et des échantillons élargis à environ 1 000 avis par section, le coût mesuré atteignait 0,527 dollar, soit environ un quart de cette référence tarifaire initiale.

Cette comparaison est une simulation tarifaire, pas une mesure des économies historiques en production. Les rapports n’ont pas été régénérés avec GPT-5.4. La comparaison de qualité présentée dans cet article porte sur les expériences de profondeur et de raisonnement décrites précédemment.

Adapter le contexte au rythme de la conversation

Dans un usage conversationnel, le temps qui compte pour l’utilisateur comprend la préparation des informations nécessaires à sa question et la génération de l’analyse. Le seul temps de rédaction du modèle ne suffit donc pas à décrire l’expérience.

Les essais montrent des écarts importants : préparation comprise, certains traitements prennent quelques minutes, tandis que d’autres dépassent une heure. Ces délais dépendent du volume mobilisé et de la chaîne de préparation utilisée. Une telle différence change la possibilité de poser une nouvelle question, d’ajuster son périmètre et de poursuivre l’exploration sans perdre le fil.

La sélection de l’information est donc aussi un enjeu d’usage : mobiliser ce qui permet de répondre à la question, puis approfondir lorsque cela apporte une valeur réelle.

Le benchmark distingue préparation et génération. Les essais à fenêtre maximale ont utilisé un outil de préparation adapté ; leurs délais ne décrivent pas une série de production homogène. Ils donnent un ordre de grandeur des traitements mesurés, sans constituer une mesure de latence conversationnelle de bout en bout.

Où investir, et sur quels partenaires s’appuyer ?

L’enjeu est d’obtenir les enseignements utiles et leur ordre de priorité, puis de pouvoir les exploiter dans le travail de l’entreprise. Dans les comparaisons étudiées, les moyens supplémentaires mobilisés par la lecture maximale et le modèle haut de gamme n’ont pas amélioré ces éléments centraux, malgré des coûts et des délais plus élevés.

La valeur de Sensia dépasse cette efficacité de sélection. Le moteur permet de consolider les enseignements, de les retrouver et de les réutiliser, puis de produire à la demande des analyses selon de nouveaux angles, périmètres ou segments. Les équipes peuvent approfondir les sources et les exemples utiles à leur question, tout en capitalisant sur une compréhension structurée de leur marché.

Ces observations confortent notre investissement dans la compréhension spécialisée, la mesure et la préparation de l’information. Ce socle est commun aux configurations comparées ; sa contribution n’a pas été mesurée séparément.

Les leviers peuvent aussi se combiner. Un modèle généraliste moins coûteux peut permettre d’examiner davantage d’éléments à budget comparable. Dans notre simulation tarifaire, Luna à environ 1 000 avis par section coûte environ 3,9 fois moins que la référence GPT-5.4 appliquée à la charge initiale, plus réduite.

Il s’agit de deux configurations différentes, comparées aux tarifs standard. L’intérêt est d’examiner le couple qualité–ressources de l’application, en tenant compte du contexte transmis et du modèle utilisé.

Pour une entreprise, l’arbitrage entre développement interne et partenariat porte sur les capacités à construire et à maintenir dans la durée.

Les modèles généralistes apportent des capacités que leurs fournisseurs améliorent en continu. La compréhension d’un domaine demande, elle, des données qualifiées, des modèles spécialisés, une évaluation métier et un effort de maintenance. C’est cet ensemble que Sensia apporte aux programmes d’IA qui doivent exploiter la voix des consommateurs.

Un partenaire spécialisé peut ainsi fournir un socle sur lequel les équipes internes construisent leurs applications et leurs processus, tout en conservant la possibilité de faire évoluer les modèles généralistes.

L’étude du MIT de 2025 sur l’IA générative en entreprise rapporte de meilleurs taux de réussite pour les outils acquis auprès de fournisseurs spécialisés ou développés en partenariat que pour les développements internes étudiés. Elle souligne notamment l’importance de l’intégration dans les processus de travail (Computing). Ces observations invitent à examiner les compétences disponibles, le temps de développement et les conditions de déploiement propres à chaque programme.

L’entreprise reste responsable de définir les résultats attendus et les critères d’acceptation métier. Les tests, leur interprétation et le suivi de la qualité peuvent ensuite être construits avec le partenaire.

Cinq questions pour orienter votre programme d’IA

À propos des tests : cinq analyses de production (vingt sections) sur trois portefeuilles de référence dans les domaines des soins de la peau et de l’alimentation pour animaux de compagnie, régénérées à six niveaux de données, ainsi qu’une référence de raisonnement dans un contexte plus large sur deux sections : 122 générations, octobre 2026. Portée mesurée sur quatre questions à travers 24 reconstructions en lecture seule, non comptabilisées dans les 122 générations. Le benchmark évalue le moteur Gen 8 dans plusieurs configurations ; il ne s’agit pas d’une comparaison contrôlée avec la génération précédente. Dépenses LLM selon la grille tarifaire publique du fournisseur ; il ne s’agit pas du coût total d’un programme. Mesures et résultats complets dans le rapport de benchmark de la huitième génération du moteur Sensia, disponible en anglais.